[發明專利]一種基于GWO-SVR的分步網絡流量預測方法

有效

• 申請號: 202110547557.7
• 申請日: 2021-05-19
• 公開（公告）號: CN113300884B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 李宏慧;付學良;張佳琪
• 申請（專利權）人: 內蒙古農業大學
• 主分類號: H04L41/147
• 分類號: H04L41/147;G06N3/00;G06K9/62
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

本發明公開了一種基于GWO?SVR的分步網絡流量預測方法，其提出了兩種基于GWO灰狼優化算法和SVR支持向量回歸的預測方法：單步預測方法(SGWO?SVR)和兩步預測方法(TGWO?SVR)；這兩種方法均利用灰狼優化算法優化SVR算法中的三個參數C、ε、γ，再分別通過單步、兩步預測方法建立SVR預測模型，實現對未來網絡流量的預測。實驗結果表明，與SVR、GA?SVR、DE?SVR相比，本發明提出的SGWO?SVR和TGWO?SVR預測方法具有較高的預測精度。

技術領域

本發明涉及網絡管理技術領域，具體涉及一種基于GWO-SVR的分步網絡流量預測方法。

背景技術

隨著云計算、大數據、物聯網等新一代信息技術的發展，網絡規模和應用日漸復雜，網絡吞吐量也日益增大。網絡流量預測能有效地對網絡進行管理及維護，避免網絡擁塞，提高網絡性能。例如在數據中心網絡中，對網絡流量進行準確預測不僅可以優化流量調度，科學分配網絡帶寬，還可以減小數據中心網絡的能耗。

現有的網絡流量預測方法主要有兩類，即線性預測方法和非線性預測方法。線性預測方法包括自回歸方法(Autoregressive model,AR)，移動平均方法(moving averagemodel,MA)，自回歸移動平均方法(Auto-Regressive and MovingAverage Model,ARMA)，和差分整合移動平均自回歸方法(Autoregressive Integrated Moving Average model,ARIMA)。但這些線性預測方法都無法很好的解決現在日益復雜的網絡流量預測問題。而非線性預測方法主要包含神經網絡預測、灰度預測、支持向量回歸預測等，這些非線性預測方法均能較好的對網絡流量進行預測。但是神經網絡雖然可以逼近任何非線性函數，使其預測精度有一定的提高，但易出現過擬合現象、泛化能力較差，同時也會導致建立模型和計算時復雜度增加。面對復雜的網絡流量特征，如何構建合適、準確的網絡流量預測方法是目前亟待解決的問題。

發明內容

本發明旨在提供一種基于GWO-SVR的分步網絡流量預測方法，通常，根據預測時間段將預測算法分類為長期預測和短期預測。長期預測方法需要大規模的數據集，預測周期是以季度或者年為單位。對其預測較為困難、預測精度較低。相反，短期預測需要的數據集規模較小，大多是以時、分、秒為單位。在對其預測時易于構建模型，且在預測精度上也有所提升。針對網絡流量特點，以及對網絡的實時監管，流量調度，對相應設備進行節能等方面，本發明將構建短期網絡流量預測模型。

針對上述存在的問題，本發明所采用的技術方案如下：

一種基于GWO-SVR的分步網絡流量預測方法，其特征在于，包括以下步驟：

1)獲取歷史數據

獲取待預測歷史流量數據集S，且集合S中的每個元素S_i＝{t_i，b_i，b_i+1}，b_i為在t_i時刻網絡流量帶寬，b_i+1為下一時刻的流量帶寬；

2)建立流量預測模型

第一種模型建立方法：基于步驟1中的歷史流量數據集S，通過單步流量預測方法建立單步流量預測模型；或，

第二種模型建立方法：以第一種建立方法所建立的單步流量預測模型基礎，結合兩步流量預測方法建立兩步流量預測模型；

3)輸出結果

根據單步流量預測模型或兩步流量預測模型輸出下一時刻的網絡流量預測結果b_i+1。

本發明的有益效果是：